An Analysis on Bank Credit Risk Information in the Period of COVID-19

Year 2024, Volume: 26 Issue: 1, 194 - 206, 04.04.2024

Esra Aksoy Mehmet Gençtürk

https://doi.org/10.32709/akusosbil.1109545

Abstract

The COVID-19 pandemic has had a global impact in many countries. The effect of the epidemic, negative changes have been experienced, especially in the economic and social fields. The banking sector, which is the most important branch of the financial system in Türkiye, was also affected by the epidemic. The banking sector has taken some measures in order to continue its activities safely in the environment of negative effects and uncertainty of the epidemic period. These measures have helped to better manage the risky process caused by the effect of the epidemic and to overcome it with the least damage. One of the biggest problems faced by banks during the pandemic period has been credit risk. The aim of the study is to examine the credit risks that banks face most during the pandemic period. In the study, the cash loans and non-performing loans, which are notified to the Risk Center of the Banks Association of Türkiye by the banks, are estimated for future periods. In the analysis, the grey prediction model GM (1,1) was preferred. Quarterly data for the period 2020/02-2021/12 was used for the analysis. GM (1,1) models were established by the data and simulation values were calculated. The relative error margins of the established models were calculated as 3.42% and 1.49%, respectively. For the next two quarters, estimation data on banks' cash loans and non-performing loans are obtained. As a result, predictions were made about the credit risks of banks with the findings obtained. It is expected that the results obtained from this study will contribute to the policies that banks will implement.

Keywords

Credit risk, COVID-19, forecasting, grey theory

COVID-19 Döneminde Banka Kredi Risk Bilgileri Üzerine Bir Analiz

Abstract

COVID-19 salgını birçok ülkede küresel boyutta etkisini göstermiştir. Salgının etkisi ile özellikle ekonomik ve sosyal alanlarda olumsuz değişimler yaşamıştır. Türkiye’de finansal sistemin en önemli dalı olan bankacılık sektörü salgın döneminde oldukça etkilenmiştir. Bankacılık sektörü salgın döneminin olumsuz etkileri ve belirsizlik ortamında güvenli bir şekilde faaliyetlerine devam edebilmek için birtakım önlemler almıştır. Bu önlemler salgının etkisi ile oluşan riskli süreci daha iyi yönetmeye ve en az zararla atlatmaya yardımcı olmuştur. Pandemi döneminde bankaların karşılaştığı en büyük problemlerden biri ise kredi riski olmuştur. Bu bağlamda çalışmanın amacı ise pandemi döneminde bankaların en çok karşılaştığı kredi risklerini incelemektir. Çalışmada bankalar tarafından Türkiye Bankalar Birliği Risk Merkezine bildirimi yapılan nakdi kredilerin ve tasfiye olunacak alacakların, gelecek dönemler için tahminleri yapılmıştır. Analizde gri sistem teorisi içinde yer alan gri tahmin modeli GM (1,1) tercih edilmiştir. Analiz için 2020/02-2021/12 dönemine ait çeyrek dönemlik veriler kullanılmıştır. Veriler ile GM (1,1) modelleri kurulmuştur ve simülasyon değerleri hesaplanmıştır. Kurulan modellerin göreli hata payları sırası ile %3,42 ve %1,49 olarak hesaplanmıştır. Ardından gelecek iki çeyrek dönem için bankaların nakdi kredileri ve tasfiye olunacak alacaklar tahmin verileri elde edilmiştir. Sonuç olarak elde edilen bulgularla bankaların kredi riskleri hakkında öngörüde bulunulmuştur. Bu çalışmadan elde edilen sonuçların bankaların uygulayacakları politikalara katkı sağlaması beklenmektedir.

Keywords

Kredi riski, COVID-19, tahmin, gri teori

References

• Adıgüzel, M. (2020). COVİD-19 pandemisinin Türkiye ekonomisine etkilerinin makroekonomik analizi. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 19(37), 191-221.
• Arabacı, H. ve Yücel, D. (2020). COVID-19 pandemisinin Türk bankacılık sektörü üzerine etkisi. Sosyal Bilimler Araştırma Dergisi, 9(3), 196-208.
• Bankacılık Düzenleme ve Denetleme Kurumu (BDDK) (2020). Yıllık faaliyet raporu. https://www.fkb.org.tr/Sites/1/upload/files/BDDK_2020_Faaliyet_Raporu_compressed-2130.pdf (Erişim tarihi: 13.04.2022).
• Barczak, S. (2014). Gold price forecasting using grey model GM (1,1) and selected classical time series models. A comparison of methods. In Conference Proceedings. The 8th International Days of Statistics and Economics. Libuše Macáková. Melandrium, 66-73.
• Bireysel Temel İhtiyaç Destek Kredisine Yapılandırma İmkanı! Vade 36 Ay Daha Uzuyor (2021). https://www.hurriyet.com.tr/ekonomi/son-dakika-bireysel-temel-ihtiyac-destek-kredisine-yapilandirma-imkani-vade-36-ay-daha-uzuyor-41893591 (Erişim tarihi: 23.04.2022).
• Chin, Y. C. and Chang, J. T. (2019). The analysis of bank's credit card ratio via GM (1,1) model. Journal of Grey System, 22(1), 17-25.
• COVID-19 Krizinin Türk Bankacılık Sektörü Üzerindeki Etkileri (2020). https://www.pwc.com.tr/covid-19-bankacilik-sektoru (Erişim tarihi: 20.04.2022).
• Demirgüç Kunt, A., Pedraza, C. and Ruiz Ortega, C. (2020). Banking sector performance during the COVID-19 crisis. Policy Research Working Paper 9363, 1-49.
• Huang, K., Y. and Jane C., J. (2009). A hybrid model for stock market forecasting and portfolio selection based on ARX, grey system and RS theories. Expert Systems with Applications, 36(3), 5387-5392.
• Jiang, K. and Wu, J. (2015). An analysis of gap of funds supply and demand of region a based on GM (1, 1) model. In 2015 IEEE International Conference on Grey Systems and Intelligent Services (GSIS), 318-326. IEEE.
• Jian-Gang, S., and Xian-Jun, Y. (2009, July). Application of grey model in the prediction of local finance based on the data processing. In 2009 Asia-Pacific Conference on Information Processing ,1, 354-357. IEEE.
• Julong, D. (1989). Introduction to grey system theory. The Journal of Grey System 1, 1-24.
• Kayacan, E., Ulutas, B. and Kaynak, O. (2010). Grey system theory-based models in time series prediction. Expert Systems With Applications, 37(2), 1784-1789.
• Li, Y. (2019). Research on house price forecast based on grey system GM (1, 1). In Proceedings of the 2019 5th International Conference on Finance, Investment, and Law (ICFIL 2019).
• Lin, C. W., Wang, Y. H., and Wu, M. F. (2012). Hybrid Network Methodology for Exchange Rate Prediction. Journal of Accounting, Finance & Management Strategy, 7(1), 27.
• Liu S., Forrest, J. and Yang, Y. (2012). A brief introduction to grey systems theory. Grey Systems: Theory and Application, 2(2), 89-10.
• Liu, S. and Lin, Y. (2010). Grey systems teory and applications. Springer.
• Ong, C. S., Huang, J. J., and Tzeng, G. H. (2005). A novel hybrid model for portfolio selection. Applied Mathematics and Computation, 169(2), 1195-1210.
• Ömürbek, V., Akçakanat, Ö. ve Aksoy, E. (2018). Kamu sermayeli mevduat bankalarının karlılıklarının gri tahmin yöntemi ile değerlendirilmesi. 1. Uluslararası Bankacılık Kongresi, 4-5 Mayıs, Ankara, 496-508.
• Ömürbek, V., Aksoy, E. ve Akçakanat, Ö. (2018). Bankaların grup bazlı karlılıklarının gri tahmin yöntemi ile değerlendirilmesi. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(23), 75-89.
• Rathnayaka, R. K. T. and Seneviratna, D. M. K. N. (2018). Taylor series approximation and unbiased GM (1, 1) based hybrid statistical approach for forecasting daily gold price demands. Grey Systems: Theory and Application.
• Shen, X. and Lu, Z. (2014). The application of grey theory model in the predication of jiangsu province’s electric power demand. AASRI Procedia, 7, 81-87.
• Tao, W. A. N. G. and Shan, L. I. N. (2014). Grey prediction of economy based on improved GM (1, 1) model. Progress in Applied Mathematics, 8(1), 21-28.
• Tüm Detaylarıyla Ekonomik İstikrar Kalkanı Paketi (2020). https://www.haberturk.com/tum-detaylariyla-ekonomik-istikrar-kalkani-paketi-2637596-ekonomi (Erişim tarihi: 23.04.2022).
• Türkiye Bankalar Birliği (2019 Aralık). Risk merkezi aylık bülteni. https://www.riskmerkezi.org/Content/Upload/istatistikiraporlar/ekler/2169/Risk_Merkezi_Aylik_Bulteni_Aralik_2019.pdf. (Erişim tarihi: 24.04.2022).
• Türkiye Bankalar Birliği (2019 Ocak). Risk merkezi aylık bülteni. https://www.riskmerkezi.org/Content/Upload/istatistikiraporlar/ekler/1708/Risk_Merkezi_Aylik_Bulteni_Ocak_2019.pdf (Erişim tarihi: 23.04.2022).
• Türkiye Bankalar Birliği (2020 Aralık). Risk merkezi aylık bülteni. https://www.riskmerkezi.org/Content/Upload/istatistikiraporlar/ekler/2669/Risk_Merkezi_Aylik_Bulteni_Aralik_2020.pdf (Erişim tarihi: 19.02.2022).
• Türkiye Bankalar Birliği (2021 Aralık). Risk merkezi aylık bülteni. https://www.riskmerkezi.org/Content/Upload/istatistikiraporlar/ekler/3153/Risk_Merkezi_Aylik_Bulteni_Aralik_2021.pdf (Erişim tarihi: 19.02.2022).
• Türkiye Bankalar Birliği (2021 Mart). Risk merkezi aylık bülteni. https://www.riskmerkezi.org/Content/Upload/istatistikiraporlar/ekler/2792/Risk_Merkezi_Aylik_Bulteni_Mart_2021.pdf (Erişim tarihi: 10.03.2022).
• Wang, C. N. and Le, A. P. (2019). Application of multi-criteria decision-making model and gm (1, 1) theory for evaluating efficiency of fdi on economic growth: A case study in developing countries. Sustainability, 11(8), 2389.
• Wang, X., Zhao, H. and Bi, K. (2021). The measurement of green finance index and the development forecast of green finance in China. Environmental and Ecological Statistics, 28(2), 263-285.
• Xie, N. and Liu, S. (2009). Discrete grey forecasting model and its optimization. Applied Mathematical Modelling, 33, 1173-1186.
• Yetiz, F. (2021). COVID-19 pandemi sürecinin Türk bankacılık sektörü çalışanlarına ve müşterilerine etkileri: swot analizi. Avrupa Bilim ve Teknoloji Dergisi , Ejosat 2021 Ocak, 109-117 . Doi: 10.31590/ejosat.835792
• Yıldırım, B.F. ve Keskintürk, T. (2015). Kredi kartı kullanım istatistiklerinin gri tahmin ve genetik algoritma tabanlı gri tahmin metodu ile tahmini: karşılaştırmalı analiz. Bankacılar Dergisi, (94), 65-80.
• Yu, M.C., Wang, C.N. and Ho, N.N.Y. (2016). A grey forecasting approach for the sustainability performance of logistics companies, Sustainability 8, 866; doi:10.3390/su8090866.
• Yuan C. and Chen, D. (2016). Effectiveness of the GM (1,1) model on linear growth sequence and its application in global primary energy consumption prediction. Kybernetes, 45(9), 1472-1485.
• Zhang, Q. (2016). Price forecasting algorithm of carbon finance market based on kalman regression.Tecnica De La Facultad De Ingenieria Universidad Del Zulia. 39(10),376-383.
• Zhang, Q. and Chen, R. (2014). Application of metabolic GM (1, 1) model in financial repression approach to the financing difficulty of the small and medium-sized enterprises. Grey Systems: Theory and Application.
• Zhao, J. (2016). A project cost forecasting method based on grey system theory. Chemical Engineering Transactions, (51), 367-372.